JPWO2020050072A1 - 推論方法、推論装置、モデルの生成方法及び学習装置 - Google Patents

推論方法、推論装置、モデルの生成方法及び学習装置 Download PDF

Info

Publication number
JPWO2020050072A1
JPWO2020050072A1 JP2020541139A JP2020541139A JPWO2020050072A1 JP WO2020050072 A1 JPWO2020050072 A1 JP WO2020050072A1 JP 2020541139 A JP2020541139 A JP 2020541139A JP 2020541139 A JP2020541139 A JP 2020541139A JP WO2020050072 A1 JPWO2020050072 A1 JP WO2020050072A1
Authority
JP
Japan
Prior art keywords
data
learning
image data
processing
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020541139A
Other languages
English (en)
Other versions
JP7190495B2 (ja
Inventor
孝祐 中郷
孝祐 中郷
大資 本木
大資 本木
正樹 渡部
正樹 渡部
智希 小松
智希 小松
弘典 茂木
弘典 茂木
昌伸 本田
昌伸 本田
隆彦 加藤
隆彦 加藤
智彦 新関
智彦 新関
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Preferred Networks Inc
Original Assignee
Preferred Networks Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Preferred Networks Inc filed Critical Preferred Networks Inc
Publication of JPWO2020050072A1 publication Critical patent/JPWO2020050072A1/ja
Application granted granted Critical
Publication of JP7190495B2 publication Critical patent/JP7190495B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
    • C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
    • C23C14/54—Controlling or regulating the coating process
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/52—Controlling or regulating the coating process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
    • H01L21/3065—Plasma etching; Reactive-ion etching
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Organic Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Plasma & Fusion (AREA)
  • Drying Of Semiconductors (AREA)

Abstract

製造プロセスのシミュレーション精度を向上させる。学習装置であって、対象物の画像データと、前記対象物に対する処理に関するデータとを取得する取得部と、前記対象物の画像データと、前記処理に関するデータとを学習モデルに入力し、前記学習モデルの出力が、前記処理後の前記対象物の画像データに近づくように、前記学習モデルを学習する学習部とを備える。

Description

本発明は、学習装置、推論装置及び学習済みモデルに関する。
従来より、半導体製造メーカでは、各製造プロセス（例えば、ドライエッチング、デポジション等）について物理モデルを生成し、シミュレーションを実行することで、最適なレシピの探索や、プロセスパラメータの調整等を行っている。
一方で、半導体製造プロセスは挙動が複雑であるため、物理モデルでは表現できない事象もあり、シミュレーション精度には限界がある。このため、最近では、物理モデルに基づくシミュレータの代替として、機械学習された学習済みモデルの適用が検討されている。
ここで、学習済みモデルの場合、物理モデルのように、半導体製造プロセスの各事象を、物理方程式等を用いて規定する必要がないといった利点があり、物理モデルに基づくシミュレータでは実現できないシミュレーション精度を実現することが期待される。
本開示は、製造プロセスのシミュレーション精度を向上させる。
本開示の一態様による学習装置は、例えば、以下のような構成を有する。即ち、
対象物の画像データと、前記対象物に対する処理に関するデータとを取得する取得部と、前記対象物の画像データと、前記処理に関するデータとを学習モデルに入力し、前記学習モデルの出力が、前記処理後の前記対象物の画像データに近づくように、前記学習モデルを学習する学習部とを備える。
図１は、シミュレーションシステムの全体構成の一例を示す図である。 図２は、シミュレーションシステムを構成する各装置のハードウェア構成の一例を示す図である。 図３は、学習用データの一例を示す図である。 図４は、第１の実施形態に係る学習装置の学習部の機能構成の一例を示す図である。 図５は、第１の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。 図６は、第１の実施形態に係る学習装置のデータ整形部による処理の具体例を示す図である。 図７は、第１の実施形態に係る学習装置のドライエッチング用学習モデルによる処理の具体例を示す図である。 図８は、学習処理の流れを示すフローチャートである。 図９は、推論装置の実行部の機能構成の一例を示す図である。 図１０は、ドライエッチング用学習済みモデルのシミュレーション精度を示した図である。 図１１は、デポジション用学習済みモデルのシミュレーション精度を示した図である。 図１２は、第２の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。 図１３は、第２の実施形態に係る学習装置のドライエッチング用学習モデルによる処理の具体例を示す図である。 図１４は、第３の実施形態に係る学習装置の学習部の機能構成の一例を示す図である。 図１５は、第４の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。 図１６は、推論装置の適用例を示す図である。
以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
［第１の実施形態］
＜シミュレーションシステムの全体構成＞
はじめに、半導体製造プロセスのシミュレーションを行うシミュレーションシステムの全体構成について説明する。図１は、シミュレーションシステムの全体構成の一例を示す図である。図１に示すように、シミュレーションシステム１００は、学習装置１２０、推論装置１３０を有する。なお、シミュレーションシステム１００において用いられる各種データ、各種情報は、半導体製造メーカから、あるいは半導体製造装置メーカのデータベースなどから入手される。
図１上段に示すように、半導体製造装置１１０には、所定のパラメータデータ（詳細は後述）が設定されており、複数の処理前ウェハ（対象物）が搬送されることで、各製造プロセス（例えば、ドライエッチング、デポジション）に応じた処理を実行する。
なお、複数の処理前ウェハのうちの一部の処理前ウェハは、測定装置１１１に搬送され、様々な位置において測定装置１１１により形状が測定される。これにより、測定装置１１１では、例えば、処理前ウェハの各位置での断面形状を示す処理前画像データ（２次元の画像データ）を生成する。なお、測定装置１１１には、走査型電子顕微鏡（ＳＥＭ）、測長走査型電子顕微鏡（ＣＤ−ＳＥＭ）、透過電子顕微鏡（ＴＥＭ）、原子間力顕微鏡（ＡＦＭ）等が含まれる。また、測定装置１１１により生成される処理前画像データには、顕微鏡の拡大率等の各種メタデータが対応付けられているものとする。
図１の例は、測定装置１１１が、処理前画像データとして、ファイル名＝「形状データＬＤ００１」、「形状データＬＤ００２」、「形状データＬＤ００３」・・・等の処理前画像データを生成した様子を示している。
一方、各製造プロセスに応じた処理が実行されると、半導体製造装置１１０からは、処理後ウェハが搬出される。半導体製造装置１１０では、処理前ウェハに対して各製造プロセスに応じた処理を実行した際の、処理中の環境を測定し、環境情報として保持する。
処理後ウェハとして半導体製造装置１１０から搬出された複数の処理後ウェハのうちの一部の処理後ウェハは、測定装置１１２に搬送され、様々な位置において測定装置１１２により形状が測定される。これにより、測定装置１１２では、例えば、処理後ウェハの各位置での断面形状を示す処理後画像データ（２次元の画像データ）を生成する。なお、測定装置１１１と同様に、測定装置１１２には、走査型電子顕微鏡（ＳＥＭ）、測長走査型電子顕微鏡（ＣＤ−ＳＥＭ）、透過電子顕微鏡（ＴＥＭ）、原子間力顕微鏡（ＡＦＭ）等が含まれる。
図１の例は、測定装置１１２が、処理後画像データとして、ファイル名＝「形状データＬＤ００１’」、「形状データＬＤ００２’」、「形状データＬＤ００３’」、・・・等の処理後画像データを生成した様子を示している。
測定装置１１１により生成された処理前画像データ、半導体製造装置１１０に設定されたパラメータデータ及び保持された環境情報、測定装置１１２により生成された処理後画像データは、学習用データとして、学習装置１２０にて収集される。また、学習装置１２０では、収集した学習用データを、学習用データ格納部１２３に格納する。なお、半導体製造装置１１０に設定されたパラメータデータ及び保持された環境情報は、半導体製造装置１１０が、処理前ウェハ（対象物）に対して製造プロセスに応じた処理を実行した際の、該処理に関する任意のデータである。このように、製造プロセスに応じた処理を実行した際の、該処理に関する任意のデータを学習用データとすることで、製造プロセスの各事象に相関する因子を機械学習に反映させることができる。
学習装置１２０には、データ整形プログラム及び学習プログラムがインストールされており、当該プログラムが実行されることで、学習装置１２０はデータ整形部１２１及び学習部１２２として機能する。
データ整形部１２１は加工部の一例である。データ整形部１２１は、学習用データ格納部１２３に格納された学習用データを読み出し、読み出した学習用データの一部を、学習部１２２が学習モデルに入力するのに適した所定の形式に加工する。
学習部１２２は、読み出された学習用データ（データ整形部１２１により加工された学習用データを含む）を用いて、学習モデルについて機械学習を行い、半導体製造プロセスの学習済みモデルを生成する。学習部１２２により生成された学習済みモデルは、推論装置１３０に提供される。
推論装置１３０には、データ整形プログラム及び実行プログラムがインストールされており、当該プログラムが実行されることで、推論装置１３０はデータ整形部１３１及び実行部１３２として機能する。
データ整形部１３１は加工部の一例である。データ整形部１３１は、測定装置１１１により生成された処理前画像データ及び推論装置１３０に入力されたパラメータデータ、環境情報を取得する。また、データ整形部１３１は、取得したパラメータデータ及び環境情報を、実行部１３２が学習済みモデルに入力するのに適した所定の形式に加工する。
実行部１３２は、処理前画像データと、データ整形部１３１において所定の形式に加工されたパラメータデータ及び環境情報とを、学習済みモデルに入力し、シミュレーションを実行することで、処理後画像データ（シミュレーション結果）を出力（推論）する。
推論装置１３０のユーザは、実行部１３２が学習済みモデルを用いてシミュレーションを実行することで出力された処理後画像データと、測定装置１１２により生成された、対応する処理後画像データとを対比することで、学習済みモデルを検証する。
具体的には、推論装置１３０のユーザは、
・処理前画像データ、パラメータデータ、環境情報をデータ整形部１３１に入力したことで実行部１３２により出力される処理後画像データと、
・処理前ウェハが半導体製造装置１１０により処理され、処理後ウェハが測定装置１１２により測定されることで生成される処理後画像データと、
を対比する。これにより、推論装置１３０のユーザは、学習済みモデルのシミュレーション誤差を算出し、シミュレーション精度を検証することができる。
なお、検証が完了すると、推論装置１３０には、任意の処理前画像データと、任意のパラメータデータ及び環境情報とが入力され、様々なシミュレーションが実行されることになる。
＜シミュレーションシステムを構成する各装置のハードウェア構成＞
次に、シミュレーションシステム１００を構成する各装置（学習装置１２０、推論装置１３０）のハードウェア構成について、図２を用いて説明する。図２は、シミュレーションシステムを構成する各装置のハードウェア構成の一例を示す図である。
なお、学習装置１２０と推論装置１３０のハードウェア構成は概ね同じであることから、ここでは、学習装置１２０のハードウェア構成について説明する。
図２は、学習装置のハードウェア構成の一例を示す図である。図２に示すように、学習装置１２０は、ＣＰＵ（Central Processing Unit）２０１、ＲＯＭ（Read Only Memory）２０２を有する。また、学習装置１２０は、ＲＡＭ（Random Access Memory）２０３、ＧＰＵ（Graphics Processing Unit）２０４を有する。なお、ＣＰＵ２０１、ＧＰＵ２０４などのプロセッサ（処理回路、Processing Circuit、Processing Circuitry）と、ＲＯＭ２０２、ＲＡＭ２０３などのメモリは、いわゆるコンピュータを形成する。
更に、学習装置１２０は、補助記憶装置２０５、操作装置２０６、表示装置２０７、Ｉ／Ｆ（Interface）装置２０８、ドライブ装置２０９を有する。なお、学習装置１２０の各ハードウェアは、バス２１０を介して相互に接続される。
ＣＰＵ２０１は、補助記憶装置２０５にインストールされた各種プログラム（例えば、データ整形プログラム、学習プログラム等）を実行する演算デバイスである。
ＲＯＭ２０２は、不揮発性メモリであり、主記憶装置として機能する。ＲＯＭ２０２は、補助記憶装置２０５にインストールされた各種プログラムをＣＰＵ２０１が実行するために必要な各種プログラム、データ等を格納する。具体的には、ＲＯＭ２０２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する。
ＲＡＭ２０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリであり、主記憶装置として機能する。ＲＡＭ２０３は、補助記憶装置２０５にインストールされた各種プログラムがＣＰＵ２０１によって実行される際に展開される、作業領域を提供する。
ＧＰＵ２０４は、画像処理用の演算デバイスであり、ＣＰＵ２０１により各種プログラムが実行される際に、各種画像データについて、並列処理による高速演算を行う。
補助記憶装置２０５は、各種プログラムや、各種プログラムがＣＰＵ２０１によって実行される際にＧＰＵ２０４によって画像処理される各種画像データ等を記憶する記憶部である。例えば、学習用データ格納部１２３は、補助記憶装置２０５において実現される。
操作装置２０６は、学習装置１２０の管理者が学習装置１２０に対して各種指示を入力する際に用いる入力デバイスである。表示装置２０７は、学習装置１２０の内部状態を表示する表示デバイスである。Ｉ／Ｆ装置２０８は、他の装置と接続し、通信を行うための接続デバイスである。
ドライブ装置２０９は記録媒体２２０をセットするためのデバイスである。ここでいう記録媒体２２０には、ＣＤ−ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体２２０には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。
なお、補助記憶装置２０５にインストールされる各種プログラムは、例えば、配布された記録媒体２２０がドライブ装置２０９にセットされ、該記録媒体２２０に記録された各種プログラムがドライブ装置２０９により読み出されることでインストールされる。あるいは、補助記憶装置２０５にインストールされる各種プログラムは、不図示のネットワークを介してダウンロードされることで、インストールされてもよい。
＜学習用データの説明＞
次に、学習用データ格納部１２３に格納される学習用データについて説明する。図３は、学習用データの一例を示す図である。図３に示すように、学習用データ３００には、情報の項目として、“工程”、“ジョブＩＤ”、“処理前画像データ”、“パラメータデータ”、“環境情報”、“処理後画像データ”が含まれる。
“工程”には、半導体製造プロセスを示す名称が格納される。図３の例は、“工程”として、「ドライエッチング」と、「デポジション」の２つの名称が格納された様子を示している。
“ジョブＩＤ”には、半導体製造装置１１０により実行されるジョブを識別するための識別子が格納される。
図３の例は、ドライエッチングの“ジョブＩＤ”として、「ＰＪ００１」、「ＰＪ００２」が格納された様子を示している。また、図３の例は、デポジションの“ジョブＩＤ”として、「ＰＪ１０１」が格納された様子を示している。
“処理前画像データ”には、測定装置１１１により生成された処理前画像データのファイル名が格納される。図３の例は、ジョブＩＤ＝「ＰＪ００１」の場合、当該ジョブのロット（ウェハ群）のうちの１つの処理前ウェハについて、測定装置１１１により、ファイル名＝「形状データＬＤ００１」の処理前画像データが生成されたことを示している。
また、図３の例は、ジョブＩＤ＝「ＰＪ００２」の場合、当該ジョブのロット（ウェハ群）のうちの１つの処理前ウェハについて、測定装置１１１により、ファイル名＝「形状データＬＤ００２」の処理前画像データが生成されたことを示している。更に、図３の例は、ジョブＩＤ＝「ＰＪ１０１」の場合、当該ジョブのロット（ウェハ群）のうちの１つの処理前ウェハについて、測定装置１１１により、ファイル名＝「形状データＬＤ１０１」の処理前画像データが生成されたことを示している。
“パラメータデータ”には、半導体製造装置１１０において処理前ウェハを処理する際に設定された、所定の処理条件を示すパラメータが格納される。図３の例は、半導体製造装置１１０において、ジョブＩＤ＝「ＰＪ００１」の処理を実行した際に、「パラメータ００１＿１」、「パラメータ００１＿２」、「パラメータ００１＿３」、・・・が設定されたことを示している。
なお、「パラメータ００１＿１」、「パラメータ００１＿２」、「パラメータ００１＿３」、・・・には、例えば、
・Ｐｒｅｓｓｕｒｅ（チャンバ内の圧力）、Ｐｏｗｅｒ（高周波電源の電力）、Ｇａｓ（ガス流量）、Ｔｅｍｐｅｒａｔｕｒｅ（チャンバ内の温度またはウェハの表面の温度）等のように、半導体製造装置１１０に設定値として設定されるデータ、
・ＣＤ（Critical Dimension）、Ｄｅｐｔｈ（深さ）、Ｔａｐｅｒ（テーパ角）、Ｔｉｌｔｉｎｇ（チルト角）、Ｂｏｗｉｎｇ（ボーイング）等のように、半導体製造装置１１０に目標値として設定されるデータ、
・半導体製造装置１１０のハードウェア形体に関する情報、
等が含まれる。
“環境情報”には、半導体製造装置１１０において、処理前ウェハを処理した際に測定された、処理前ウェハの処理中の環境を示す情報が格納される。図３の例は、半導体製造装置１１０がジョブＩＤ＝「ＰＪ００１」の処理を実行した際に、環境情報として、「環境データ００１＿１」、「環境データ００１＿２」、「環境データ００１＿３」、・・・が測定されたことを示している。
なお、「環境データ００１＿１」、「環境データ００１＿２」、「環境データ００１＿３」、・・・には、例えば、
・Ｖｐｐ（電位差）、Ｖｄｃ（直流自己バイアス電圧）、ＯＥＳ（発光分光分析による発光強度）、Ｒｅｆｌｅｃｔ（反射波電力）、
等のように、処理中に半導体製造装置１１０から出力されるデータ（主に電流や電圧に関するデータ）、
・Ｐｌａｓｍａ ｄｅｎｓｉｔｙ（プラズマ密度）、Ｉｏｎ ｅｎｅｒｇｙ（イオンエネルギ）、Ｉｏｎ ｆｌｕｘ（イオン流量）、
等のように、処理中に測定されるデータ（主に光に関するデータのほか、温度、圧力に関するデータ）、
が含まれる。
“処理後画像データ”には、測定装置１１２により生成された処理後画像データのファイル名が格納される。図３の例は、ジョブＩＤ＝「ＰＪ００１」の場合、測定装置１１２により、ファイル名＝「形状データＬＤ００１’」の処理後画像データが生成されたことを示している。
また、図３の例は、ジョブＩＤ＝「ＰＪ００２」の場合、測定装置１１２により、ファイル名＝「形状データＬＤ００２’」の処理後画像データが生成されたことを示している。更に、図３の例は、ジョブＩＤ＝「ＰＪ１０１」の場合、測定装置１１２により、ファイル名＝「形状データＬＤ１０１’」の処理後画像データが生成されたことを示している。
＜学習装置の機能構成＞
次に、学習装置１２０の各部（データ整形部１２１、学習部１２２）の機能構成の詳細について説明する。
（１）学習部の機能構成の詳細
はじめに、学習装置１２０の学習部１２２の機能構成の詳細について説明する。図４は、第１の実施形態に係る学習装置の学習部の機能構成の一例を示す図である。図４に示すように、学習装置１２０の学習部１２２は、ドライエッチング用学習モデル４２０、デポジション用学習モデル４２１、比較部４３０、変更部４４０を有する。
学習用データ格納部１２３に格納された学習用データ３００の処理前画像データ、パラメータデータ、環境情報は、データ整形部１２１により読み出され、対応する学習モデルに入力される。なお、本実施形態において、パラメータデータ及び環境情報は、データ整形部１２１にて所定の形式に加工された上で、対応する学習モデルに入力される。しかしながら、パラメータデータ及び環境情報は、予め所定の形式に加工されていてもよく、データ整形部１２１は、予め所定の形式に加工されたものを読み出して、対応する学習モデルに入力してもよい。
ドライエッチング用学習モデル４２０には、処理前画像データと、データ整形部１２１により所定の形式に加工されたパラメータデータ及び環境情報と（ただし、“工程”＝「ドライエッチング」が対応付けられたものに限る）が入力される。処理前画像データと、所定の形式に加工されたパラメータデータ及び環境情報とが入力されると、ドライエッチング用学習モデル４２０では出力結果を出力する。また、ドライエッチング用学習モデル４２０は、出力結果を比較部４３０に入力する。
同様に、デポジション用学習モデル４２１には、処理前画像データと、データ整形部１２１により所定の形式に加工されたパラメータデータ及び環境情報と（ただし、“工程”＝「デポジション」が対応付けられたものに限る）が入力される。処理前画像データと、所定の形式に加工されたパラメータデータ及び環境情報とが入力されると、デポジション用学習モデル４２１では出力結果を出力する。また、デポジション用学習モデル４２１は出力結果を比較部４３０に入力する。
比較部４３０は、ドライエッチング用学習モデル４２０より入力された出力結果と、学習用データ３００の処理後画像データ（“工程”＝「ドライエッチング」が対応付けられた処理後画像データ）とを比較し、差分情報を変更部４４０に通知する。
同様に、比較部４３０は、デポジション用学習モデル４２１より入力された出力結果と、学習用データ３００の処理後画像データ（“工程”＝「デポジション」が対応付けられた処理後画像データ）とを比較し、差分情報を変更部４４０に通知する。
変更部４４０は、比較部４３０より通知された差分情報に基づいて、ドライエッチング用学習モデル４２０またはデポジション用学習モデル４２１のモデルパラメータを更新する。なお、モデルパラメータの更新に用いる差分情報は、２乗誤差であっても絶対誤差であってもよい。
このように、学習部１２２では、処理前画像データと、所定の形式に加工されたパラメータデータ及び環境情報とを学習モデルに入力し、学習モデルより出力される出力結果が処理後画像データに近づくように、機械学習によりモデルパラメータを更新する。
これにより、学習部１２２では、半導体製造プロセスの各事象の影響が現れた処理後画像データを機械学習に反映させることができるとともに、これらの事象とパラメータデータ及び環境情報との関係を機械学習させることができる。
（２）データ整形部の機能構成の詳細
次に、学習装置１２０のデータ整形部１２１の機能構成の詳細について説明する。図５は、第１の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。図５に示すように、データ整形部１２１は、形状データ取得部５０１、チャネル別データ生成部５０２、１次元データ取得部５１１、１次元データ展開部５１２、連結部５２０を有する。
形状データ取得部５０１は、学習用データ格納部１２３より学習用データ３００の処理前画像データを読み出し、チャネル別データ生成部５０２に通知する。
チャネル別データ生成部５０２は生成部の一例である。チャネル別データ生成部５０２は、形状データ取得部５０１より通知された処理前画像データ（ここでは、各マテリアルの組成比（または含有比）に応じた画素値により表現されているものとする）を取得する。また、チャネル別データ生成部５０２は、取得した処理前画像データから、マテリアルの種類に応じた複数のチャネルの画像データを生成する。以下、マテリアルの種類に応じたチャネルの画像データを、チャネル別データと称す。例えば、チャネル別データ生成部５０２は、処理前画像データから、空気の層を含むチャネル別データと、４種類のマテリアルそれぞれの層を含む４つのチャネル別データとを生成する。
また、チャネル別データ生成部５０２は、生成した複数のチャネル別データを連結部５２０に通知する。なお、本実施形態では、チャネル別データ生成部５０２がチャネル別データを生成するものとしたが、チャネル別データは予め生成されていてもよい。この場合、チャネル別データ生成部５０２は、予め生成されたチャネル別データを読み出して、連結部５２０に通知する。
１次元データ取得部５１１は、学習用データ格納部１２３より学習用データ３００のパラメータデータ、環境情報を読み出し、１次元データ展開部５１２に通知する。
１次元データ展開部５１２は、１次元データ取得部５１１より通知されたパラメータデータ、環境情報を、処理前画像データに応じた所定の形式（処理前画像データの縦サイズ及び横サイズに応じた２次元配列の形式）に加工する。
ここで、パラメータデータは、例えば、「パラメータ００１＿１」、「パラメータ００１＿２」、「パラメータ００１＿３」、・・・等の各パラメータの数値が１次元に配列されてなる。具体的には、パラメータデータは、Ｎ種類のパラメータの数値が１次元に配列されてなる。
このため、１次元データ展開部５１２では、パラメータデータに含まれるＮ種類のパラメータの数値を１種類ずつ抽出し、抽出した数値を、処理前画像データの縦サイズ及び横サイズに応じて、２次元に配列する。この結果、１次元データ展開部５１２では、２次元に配列されたＮ個のパラメータデータが生成されることになる。
また、１次元データ展開部５１２は、２次元に配列されたＮ個のパラメータデータを連結部５２０に通知する。
同様に、環境情報は、例えば、「環境データ００１＿１」、「環境データ００１＿２」、「環境データ００１＿３」、・・・等の各環境情報の数値が１次元に配列されてなる。具体的には、環境情報は、Ｍ種類の環境データの数値が１次元に配列されてなる。
このため、１次元データ展開部５１２では、環境情報に含まれるＭ種類の環境データの数値を１種類ずつ抽出し、抽出した数値を、処理前画像データの縦サイズ及び横サイズに応じて、２次元に配列する。この結果、１次元データ展開部５１２では、２次元に配列されたＭ個の環境情報が生成されることになる。
また、１次元データ展開部５１２は、２次元に配列されたＭ個の環境情報を連結部５２０に通知する。
連結部５２０は、チャネル別データ生成部５０２より通知された、複数のチャネル別データに、１次元データ展開部５１２より通知された、２次元に配列されたＮ個のパラメータデータ及びＭ個の環境情報を新たなチャネルとして連結し、連結データを生成する。なお、本実施形態では、連結部５２０が連結データを生成するものとしたが、連結データは予め生成されていてもよい。この場合、連結部５２０は、予め生成された連結データを読み出して、学習モデルに入力する。
＜学習装置の各部による処理の具体例＞
次に、学習装置１２０の各部による処理のうち、上述したデータ整形部１２１による処理及び学習部１２２内のドライエッチング用学習モデル４２０による処理の具体例について説明する。
（１）データ整形部による処理の具体例
図６は、データ整形部による処理の具体例を示す図である。図６において、処理前画像データ６００は、例えば、ファイル名＝「形状データＬＤ００１」の処理前画像データである。
図６に示すように、処理前画像データ６００には、空気の層、マテリアルＡの層、マテリアルＢの層、マテリアルＣの層、マテリアルＤの層が含まれる。この場合、チャネル別データ生成部５０２では、チャネル別データ６０１、６０２、６０３、６０４、６０５を生成する。
また、図６に示すように、パラメータデータ６１０は、例えば、各パラメータ（「パラメータ００１＿１」、「パラメータ００１＿２」、「パラメータ００１＿３」、・・・等）の数値が１次元に配列されてなる。
更に、図６に示すように、環境情報６２０は、例えば、「環境データ００１＿１」、「環境データ００１＿２」、「環境データ００１＿３」、・・・等の各環境データの数値が１次元に配列されてなる。
この場合、１次元データ展開部５１２は、処理前画像データ６００の縦サイズ及び横サイズに応じて、パラメータ００１＿１を２次元に配列する（同じ値を縦及び横に配列する）。同様に、１次元データ展開部５１２は、処理前画像データ６００の縦サイズ及び横サイズに応じて、パラメータ００１＿２を２次元に配列する。同様に、１次元データ展開部５１２は、処理前画像データ６００の縦サイズ及び横サイズに応じて、パラメータ００１＿３を２次元に配列する。
また、１次元データ展開部５１２は、処理前画像データ６００の縦サイズ及び横サイズに応じて、環境データ００１＿１を２次元に配列する（同じ値を縦及び横に配列する）。同様に、１次元データ展開部５１２は、処理前画像データ６００の縦サイズ及び横サイズに応じて、環境データ００１＿２を２次元に配列する。同様に、１次元データ展開部５１２は、処理前画像データ６００の縦サイズ及び横サイズに応じて、環境データ００１＿３を２次元に配列する。
２次元に配列されたパラメータデータ６１１、６１２、６１３等、及び、２次元に配列された環境情報６２１、６２２、６２３等は、連結部５２０により、チャネル別データ６０１〜６０５に新たなチャネルとして連結され、連結データ６３０が生成される。
（２）ドライエッチング用学習モデルによる処理の具体例
次に、学習部１２２内のドライエッチング用学習モデル４２０による処理の具体例について説明する。図７は、第１の実施形態に係る学習装置のドライエッチング用学習モデルによる処理の具体例を示す図である。図７に示すように、本実施形態では、ドライエッチング用学習モデル４２０として、Ｕ字型の畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）ベースの学習モデル（いわゆるＵＮＥＴ）を用いる。
ＵＮＥＴの場合、通常は、画像データを入力し、画像データを出力する。このため、学習部１２２の学習モデルとして当該ＵＮＥＴを用いることで、半導体製造プロセスの処理前後の画像データを入出力とすることができる。
一方で、ＵＮＥＴの場合、画像データの形式になっていないデータについては、画像データの形式に加工しておく必要がある。上記したデータ整形部１２１の１次元データ展開部５１２が、パラメータデータ及び環境情報を２次元に配列するように構成されているのは、ＵＮＥＴに入力されるデータを、画像データの形式にするためである。ＵＮＥＴに対して、パラメータデータ及び環境情報の入力が可能となることで、ドライエッチングの各事象に相関する因子を用いて機械学習を行うことが可能となる。
図７の例は、ＵＮＥＴを用いたドライエッチング用学習モデル４２０に、連結データ６３０を入力し、複数のチャネル別データを含む出力結果７００が出力された様子を示している。
なお、図７の例では、ドライエッチング用学習モデル４２０による処理の具体例について示したが、デポジション用学習モデル４２１による処理の具体例も同様である。
＜学習処理の流れ＞
次に、学習処理全体の流れについて説明する。図８は、学習処理の流れを示すフローチャートである。
ステップＳ８０１において、測定装置１１１は、半導体製造装置１１０により処理される前の処理前ウェハについて、様々な位置で形状を測定し、処理前画像データを生成する。
ステップＳ８０２において、測定装置１１２は、半導体製造装置１１０により処理された後の処理後ウェハについて、様々な位置で形状を測定し、処理後画像データを生成する。
ステップＳ８０３において、学習装置１２０は、半導体製造装置１１０が各製造プロセスに応じた処理を実行した際に、半導体製造装置１１０において設定されたパラメータデータと、処理中の環境を測定することで得た環境情報とを取得する。
ステップＳ８０４において、学習装置１２０は、測定装置１１１により生成された処理前画像データ、測定装置１１２により生成された処理後画像データ、取得したパラメータデータ及び環境情報を、学習用データとして、学習用データ格納部１２３に格納する。
ステップＳ８０５において、学習装置１２０のデータ整形部１２１は、学習用データ格納部１２３より、処理前画像データ、パラメータデータ、環境情報を読み出し、連結データを生成する。
ステップＳ８０６において、学習装置１２０の学習部１２２は、連結データを入力、処理後画像データを出力として、学習モデルについて機械学習を行い、学習済みモデルを生成する。
ステップＳ８０７において、学習装置１２０の学習部１２２は、生成した学習済みモデルを推論装置１３０に送信する。
＜推論装置の機能構成＞
次に、推論装置１３０の機能構成の詳細について説明する。なお、推論装置１３０の各部（データ整形部１３１、実行部１３２）のうち、データ整形部１３１の機能構成の詳細は、学習装置１２０のデータ整形部１２１の機能構成の詳細と同じである。そこで、データ整形部１３１の機能構成の詳細についての説明は、ここでは省略し、以下では、実行部１３２の機能構成の詳細について説明する。
図９は、推論装置の実行部の機能構成の一例を示す図である。図９に示すように、推論装置１３０の実行部１３２は、ドライエッチング用学習済みモデル９２０、デポジション用学習済みモデル９２１、出力部９３０を有する。
測定装置１１１により生成された処理前画像データ（例えば、機械学習に用いられていないもの）が取得され、推論装置１３０にパラメータデータ及び環境情報が入力されると、データ整形部１３１では連結データを生成する。また、データ整形部１３１では、生成した連結データを、各学習済みモデルに入力する。なお、図９の例は、測定装置１１１により生成された処理前画像データとして、ファイル名＝「形状データＳＤ００１」、「形状データＳＤ００２」、・・・等が取得された様子を示している。
ドライエッチング用学習済みモデル９２０では、データ整形部１３１より連結データが入力されると、シミュレーションを実行する。また、ドライエッチング用学習済みモデル９２０は、シミュレーションを実行したことで出力される出力結果を出力部９３０に通知する。
同様に、デポジション用学習済みモデル９２１は、データ整形部１３１より連結データが入力されると、シミュレーションを実行する。また、デポジション用学習済みモデル９２１は、シミュレーションを実行したことで出力される出力結果を出力部９３０に通知する。
なお、ここでは、測定装置１１１により生成された処理前画像データを入力するものとしたが、ドライエッチング用学習済みモデル９２０、デポジション用学習済みモデル９２１には、任意の処理前画像データが入力可能である。
出力部９３０は、ドライエッチング用学習済みモデル９２０より通知された出力結果から、処理後画像データ（例えば、ファイル名＝「形状データＳＤ００１’’」）を生成し、シミュレーション結果として出力する。同様に、出力部９３０は、デポジション用学習済みモデル９２１より通知された出力結果から、処理後画像データ（例えば、ファイル名＝「形状データＳＤ１０１’’」）を生成し、シミュレーション結果として出力する。
ここで、推論装置１３０のユーザが、半導体製造装置１１０に設定されたパラメータデータ及び保持された環境情報と同じパラメータデータ及び環境情報を入力したとする。この場合、推論装置１３０のユーザは、出力部９３０から出力された処理後画像データと、測定装置１１２により生成された処理後画像データ（例えば、ファイル名＝「形状データＳＤ００１’」）とを対比することができる。この結果、推論装置１３０のユーザは、推論装置１３０のシミュレーション精度を検証することができる。
図１０は、ドライエッチング用学習済みモデルのシミュレーション精度を示した図である。このうち、図１０の１０ａは、比較対象として、測定装置１１１により生成された処理前画像データ（ファイル名＝「形状データＳＤ００１」）と、測定装置１１２により生成された処理後画像データ（ファイル名＝「形状データＳＤ００１’」）とを示している。
一方、図１０の１０ｂは、ドライエッチング用学習済みモデル９２０によりシミュレーションが実行された場合の、処理前画像データ（ファイル名＝「形状データＳＤ００１」）と処理後画像データ（ファイル名＝「形状データＳＤ００１’’」）とを示している。
図１０の１０ａの処理後画像データ（ファイル名＝「形状データＳＤ００１」）と、図１０の１０ｂの処理後画像データ（ファイル名＝「形状データＳＤ００１’’」）とを対比すると、両者に差はない。このように、ドライエッチング用学習済みモデル９２０によれば、半導体製造装置１１０によるドライエッチングについて、高精度なシミュレーションを実現することができる。
同様に、図１１は、デポジション用学習済みモデルのシミュレーション精度を示した図である。このうち、図１１の１１ａは、比較対象として、測定装置１１１により生成された処理前画像データ（ファイル名＝「形状データＳＤ１０１」）と、測定装置１１２により生成された処理後画像データ（ファイル名＝「形状データＳＤ１０１’」）とを示している。
一方、図１１の１１ｂは、デポジション用学習済みモデル９２１によりシミュレーションが実行された場合の、処理前画像データ（ファイル名＝「形状データＳＤ１０１」）と処理後画像データ（ファイル名＝「形状データＳＤ１０１’’」）とを示している。
図１１の１１ａの処理後画像データ（ファイル名＝「形状データＳＤ１０１’」）と、図１１の１１ｂの処理後画像データ（ファイル名＝「形状データＳＤ１０１’’」）とを対比すると、両者に差はない。このように、デポジション用学習済みモデル９２１によれば、半導体製造装置１１０によるデポジションについて、高精度なシミュレーションを実現することができる。
なお、実行部１３２の各学習済みモデルの場合、一般的な物理モデル（半導体製造プロセスを物理法則に基づいて同定したモデル）と比較しても、シミュレーション精度を向上させることができる。
これは、一般的な物理モデルの場合、物理方程式で表現できない各事象については、シミュレーションに反映させることができないが、学習モデルの場合、処理後画像データに影響が現れる各事象については、機械学習に反映させることができるからである。また、本実施形態に係る学習モデルの場合、半導体製造プロセスの各事象と相関する因子（パラメータデータ、環境情報）が入力されるため、各事象と因子との関係を機械学習させることができるからである。
なお、物理方程式で表現できない各事象とは、ドライエッチングの場合にあっては、例えば、チャンバ内のガスが不均一となる事象等が挙げられる。あるいは、エッチングされた粒子が、デポジションとして付着する事象等が挙げられる。また、デポジションの場合にあっては、例えば、粒子が１回以上跳ね返ってから付着する事象等が挙げられる。
これらの事象について、一般的な物理モデルでは、ドライエッチングの際、チャンバ内のガスは均一であるとして取り扱う。また、一般的な物理モデルでは、デポジションの際、粒子は最初に接触した位置に付着するものとして取り扱う。
これに対して、学習済みモデルの場合、これらの事象の影響が現れた処理後画像データを機械学習に反映させることができるとともに、これらの事象とパラメータデータ及び環境情報との関係を機械学習させることができる。このため、学習済みモデルの場合、一般的な物理モデルと比較して、シミュレーション精度を向上させることができる。
このように、学習済みモデルによれば、物理モデルに基づくシミュレータでは実現できないシミュレーション精度を実現することができる。加えて、学習済みモデルによれば、物理モデルに基づくシミュレータと比較して、シミュレーション時間を短縮することができる。更に、学習済みモデルの場合、物理モデルに基づくシミュレータのように、人手でルールを作り込んだり、適切な物理方程式をたてる必要がないといった利点もある。
＜まとめ＞
以上の説明から明らかなように、第１の実施形態に係る学習装置は、
・半導体製造装置において、処理前ウェハを処理する際に設定されたパラメータデータと、処理前ウェハを処理する際に測定された処理前ウェハの処理中の環境を示す環境情報とを取得する。
・半導体製造装置において処理される処理前ウェハの処理前の形状を示す画像データである、処理前画像データを取得する。
・取得した処理前画像データの縦サイズ及び横サイズに応じて、取得したパラメータデータ及び環境情報を２次元に配列することで、取得したパラメータデータ及び環境情報を、画像データの形式に加工する。また、処理前画像データに、加工したパラメータデータ及び環境情報を連結して連結データを生成する。
・生成した連結データをＵ字型の畳み込みニューラルネットワークベースの学習モデルに入力し、出力結果が、処理後ウェハの形状を示す処理後画像データに近づくように、機械学習を行う。
これにより、第１の実施形態に係る学習装置によれば、半導体製造プロセスの各事象に相関する因子を機械学習に反映させることが可能となり、高精度なシミュレーションを実現する学習済みモデルを生成することができる。
また、第１の実施形態に係る推論装置は、
・処理前画像データと、パラメータデータ及び環境情報とを取得する。
・取得した処理前画像データの縦サイズ及び横サイズに応じて、取得したパラメータデータ及び環境情報を２次元に配列することで、画像データの形式に加工する。また、処理前画像データに、加工したパラメータデータ及び環境情報を連結して連結データを生成する。
・生成した連結データを、学習済みモデルに入力し、シミュレーションを実行する。
これにより、第１の実施形態に係る推論装置によれば、半導体製造プロセスの各事象に相関する因子を用いて機械学習された学習済みモデルを生成することが可能となり、高精度なシミュレーションを実現することができる。
このように、第１の実施形態によれば、半導体製造プロセスのシミュレーションにおいて、シミュレーション精度を向上させることができる。
［第２の実施形態］
上記第１の実施形態では、処理前画像データの縦サイズ及び横サイズに応じて、パラメータデータ及び環境情報を画像データの形式に加工し、処理前画像データと連結して学習モデル（または学習済みモデル）に入力するものとして説明した。
しかしながら、パラメータデータ及び環境情報の加工方法及び加工したパラメータデータ及び環境情報の学習モデル（または学習済みモデル）への入力方法は、これに限定されない。例えば、加工したパラメータデータ及び環境情報は、学習モデル（または学習済みモデル）の各層に入力するように構成してもよい。また、パラメータデータ及び環境情報は、学習モデル（または学習済みモデル）の各層に入力するにあたり、学習モデル（または学習済みモデル）の各層で畳み込み処理された画像データを変換する際に用いる所定の形式に加工するように構成してもよい。以下、第２の実施形態について、上記第１の実施形態との相違点を中心に説明する。
＜データ整形部の機能構成＞
はじめに、第２の実施形態に係る学習装置のデータ整形部の機能構成の詳細について説明する。図１２は、第２の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。図５に示したデータ整形部１２１の機能構成との相違点は、図１２に示すデータ整形部１２００の場合、連結部１２０１と正規化部１２０２とを有している点である。
連結部１２０１は、チャネル別データ生成部５０２より通知された複数のチャネル別データを連結し、連結データを生成する。
正規化部１２０２は、１次元データ取得部５１１より通知されたパラメータデータ及び環境情報を正規化し、正規化パラメータデータ及び正規化環境情報を生成する。
＜学習モデルによる処理の具体例＞
次に、ドライエッチング用学習モデルによる処理の具体例について説明する。図１３は、第２の実施形態に係る学習装置のドライエッチング用学習モデルによる処理の具体例を示す図である。
図１３に示すように、第２の実施形態に係る学習装置の場合、ドライエッチング用学習モデル１３００には、データ整形部１２００の連結部１２０１により生成された連結データ１３１０が入力される。
また、図１３に示すように、第２の実施形態に係る学習装置の場合、ドライエッチング用学習モデル１３００には、データ整形部１２００の正規化部１２０２により生成された正規化パラメータデータ、正規化環境情報が入力される。
なお、図１３に示すように、ドライエッチング用学習モデル１３００には、ＣＮＮベースの学習モデルであるＵＮＥＴに加えて、全結合型の学習モデルであるニューラルネットワーク部１３０１が含まれる。
ニューラルネットワーク部１３０１は、正規化パラメータデータ及び正規化環境情報が入力されると、ＵＮＥＴの各層で畳み込み処理が行われる各画像データの各画素の値を変換する際に用いる所定の形式の値（例えば、１次式の係数γ、β）を出力する。つまり、ニューラルネットワーク部１３０１は、正規化パラメータデータ及び正規化環境情報を、所定の形式（例えば、１次式の係数の形式）に加工する機能を有する。
図１３の例では、ＵＮＥＴが９層から構成されているため、ニューラルネットワーク部１３０１は、１次式の係数として、（γ１，β１）〜（γ９，β９）を出力する。なお、図１３の例では、紙面の都合上、各層には、１次式の係数が１組ずつ入力されるものとしているが、各層には、チャネル別データごとに、１次式の係数が複数組ずつ入力されるものとする。
ＵＮＥＴの各層では、畳み込み処理が行われるチャネル別データごとの各画像データの各画素の値（ここでは“ｈ”とする）を、例えば、１次式＝ｈ×γ＋β（第１の層の場合には、ｈ×γ１＋β１）を用いて変換する。
ここで、１次式の係数（γ１，β１）〜（γ９，β９）は、例えば、ＵＮＥＴの各層において畳み込み処理が行われるチャネル別データごとの各画像データのうち、いずれの画像データが重要かを示す指標と捉えることができる。つまり、ニューラルネットワーク部１３０１では、正規化パラメータデータ及び正規化環境情報に基づいて、学習モデルの各層において処理される各画像データの、重要度を示す指標を算出する処理を行う。
上記のような構成のもと、ドライエッチング用学習モデル１３００に、連結データ１３１０と正規化パラメータデータ及び正規化環境情報とが入力されると、複数のチャネル別データを含む出力結果７００が出力される。なお、出力結果７００は、比較部４３０にて処理後画像データと比較され、差分情報が算出される。第２の実施形態に係る学習装置の場合、変更部４４０は、差分情報に基づいて、ドライエッチング用学習モデル１３００内の、ＵＮＥＴのモデルパラメータと、ニューラルネットワーク部１３０１のモデルパラメータとを更新する。
このように、第２の実施形態に係る学習装置によれば、ドライエッチング用学習モデル１３００について機械学習を行う際、ＵＮＥＴの各層において、重要度が高い画像データを、正規化パラメータデータ及び正規化環境情報に基づいて抽出することが可能となる。
＜まとめ＞
以上の説明から明らかなように、第２の実施形態に係る学習装置は、
・半導体製造装置において、処理前ウェハを処理する際に設定されたパラメータデータと、処理前ウェハを処理する際に測定された処理前ウェハの処理中の環境を示す環境情報とを取得する。
・半導体製造装置において処理される処理前ウェハの処理前の形状を示す画像データである、処理前画像データを取得する。
・取得したパラメータデータ及び環境情報を正規化し、学習モデルの各層で畳み込み処理される各画像データの各画素の値を変換する際に用いる１次式の係数の形式に加工する。
・学習部が機械学習を行う際、各層で畳み込み処理された画像データの各画素の値を、１次式を用いて変換する。
これにより、第２の実施形態に係る学習装置によれば、半導体製造プロセスの各事象に相関する因子を機械学習に反映させることが可能となり、高精度なシミュレーションを実現する学習済みモデルを生成することができる。
なお、第２の実施形態では、学習装置について説明したが、推論装置においても、実行部がシミュレーションを実行する際に、同様の処理が行われるものとする。
［第３の実施形態］
上記第１及び第２の実施形態では、学習部が機械学習を行うにあたり、半導体製造プロセス固有の制約条件については特に言及しなかった。一方で、半導体製造プロセスには、固有の制約条件があり、学習部による機械学習に反映させることで（つまり、学習部による機械学習にドメイン知識を反映させることで）、シミュレーション精度を更に向上させることができる。以下、ドメイン知識を反映させた第３の実施形態について、上記第１及び第２の実施形態との相違点を中心に説明する。
＜学習モデルの機能構成の詳細＞
図１４は、第３の実施形態に係る学習装置の学習部の機能構成の一例を示す図である。図４に示した学習部１２２の機能構成とは、学習モデル内の内部構成が異なる。なお、ここでは、ドライエッチング用学習モデル１４１０を用いて、学習モデル内の内部構成について説明するが、デポジション用学習モデルも同様の内部構成を有しているものとする。
図１４に示すように、学習部１４００のドライエッチング用学習モデル１４１０は、ＵＮＥＴ１４１１に加えて、シグモイド関数部１４１２と、乗算部１４１３とを有する。
シグモイド関数部１４１２は処理部の一例であり、図１４に示すように、ＵＮＥＴ１４１１の出力である第１出力結果に、シグモイド関数１４２０を乗算することで、第２出力結果１４２１を出力する。
乗算部１４１３は、シグモイド関数部１４１２より第２出力結果１４２１を取得する。また、乗算部１４１３は、データ整形部１２１より処理前画像データを取得する。更に、乗算部１４１３は、取得した処理前画像データに、取得した第２出力結果１４２１を乗算することで、最終出力結果１４２２を比較部４３０に通知する。
このように、処理前画像データを乗算して最終出力結果１４２２を出力する構成とすることで、ドライエッチング用学習モデル１４１０を機械学習させた場合のＵＮＥＴ１４１１からは、第１出力結果として、削れ率を示す画像データが出力されることになる。
ここで削れ率とは、処理前画像データに含まれる各マテリアルの層が、処理後画像データにおいて、どの程度削られたかを示す変化率の値を指す。ドライエッチング用学習モデル１４１０を機械学習させることで、削れ率は、処理後画像データを処理前画像データで除算した値に近づくことになる。ただし、機械学習の過程でＵＮＥＴ１４１１から出力される第１出力結果は、任意の値をとる。
一方で、ドライエッチングの場合、形状の変化に関して、“処理の前後でマテリアルが増えることはない”という制約条件（ドメイン知識）がある。したがって、ドライエッチングの場合、削れ率は、０〜１の範囲に収まることになる。
ここで、シグモイド関数部１４１２は、任意の値を、０〜１の値に変換する関数であり、第１出力結果をシグモイド関数部１４１２で第２出力結果に変換することで、上記ドメイン知識を反映させることができる。
なお、図１４には示していないが、デポジション用学習モデルにおいても、シグモイド関数部や乗算部等を配することで、同様の処理を行うことができる。具体的には、デポジション用学習モデルを機械学習させた場合のＵＮＥＴからは、第１出力結果として、付着率を示す画像データが出力されることになる。
ここで付着率とは、処理前画像データに含まれる各マテリアルの層に対して、処理後画像データにおいて、どの程度薄膜が付着したかを示す変化率の値を指す。デポジション用学習モデルを機械学習させることで、付着率は、処理前画像データと処理後画像データとの差分を、処理前画像データで除算した値に近づくことになる。ただし、機械学習の過程でＵＮＥＴから出力される第１出力結果は、任意の値をとる。
一方で、デポジションの場合、形状の変化に関して、“処理の前後でマテリアルが減ることはない”という制約条件（ドメイン知識）がある。したがって、デポジションの場合、付着率は、０〜１の範囲に収まることになる。
上述したとおり、シグモイド関数部は、任意の値を、０〜１の値に変換する関数であり、第１出力結果をシグモイド関数部で第２出力結果に変換することで、上記ドメイン知識を反映させることができる。
このように、第３の実施形態に係る学習装置１２０の学習部１４００によれば、機械学習にドメイン知識を反映させることが可能となり、シミュレーション精度を更に向上させることができる。
［第４の実施形態］
上記第１乃至第３の実施形態では、データ整形部が、処理前画像データの縦サイズ及び横サイズに応じた縦サイズ及び横サイズの連結データを生成するものとして説明した。しかしながら、データ整形部が生成する連結データの縦サイズ及び横サイズは任意であり、処理前画像データを圧縮してから、連結データを生成するように構成してもよい。以下、第４の実施形態について、上記第１乃至第３の実施形態との相違点を中心に説明する。
＜データ整形部の機能構成の詳細＞
図１５は、第４の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。このうち、図１５の１５ａは、第１の実施形態に係る学習装置のデータ整形部１２１に、圧縮部１５１１を付加したデータ整形部１５１０を示している。
圧縮部１５１１は、形状データ取得部５０１において取得された処理前画像データを圧縮する。圧縮部１５１１では、例えば、隣接するｎ個（ｎは２以上の整数。例えば、縦方向２個×横方向２個の場合はｎ＝４）の画素の画素値について平均値を算出し、算出した平均値を、当該ｎ個の画素をまとめた１個の画素の画素値とする。これにより、圧縮部１５１１では、処理前画像データを１／ｎ倍に圧縮することができる。
このように、圧縮部１５１１では、処理前画像データが各マテリアルの組成比（または含有比）を表した画像データであることに鑑みて、圧縮の前後で、マテリアルの組成比（または含有比）が極力維持されるように圧縮処理を行う。なお、圧縮部１５１１による圧縮処理の圧縮率は、整数倍に限定されず、圧縮部１５１１では、任意の圧縮率による圧縮処理が可能であるとする。
同様に、図１５の１５ｂは、第２の実施形態に係る学習装置のデータ整形部１２００に、圧縮部１５１１を付加したデータ整形部１５２０を示している。
データ整形部１５２０が有する圧縮部１５１１は、データ整形部１５１０が有する圧縮部１５１１と同じ機能を有する。このため、ここでは、詳細な説明は省略する。
このように、データ整形部１５１０または１５２０に圧縮部１５１１を付加することで、学習部１２２、１４００（あるいは、実行部１３２）に入力される連結データのサイズを縮小することができる。この結果、第４の実施形態によれば、学習部１２２、１４００が機械学習を行う場合の学習時間、あるいは、実行部１３２がシミュレーションを実行する場合のシミュレーション時間を短縮することができる。
［その他の実施形態］
上記第１の実施形態では、学習部１２２に、ドライエッチング用学習モデル４２０と、デポジション用学習モデル４２１とをそれぞれ設け、異なる学習用データを用いて別々に機械学習を行うものとして説明した。
しかしながら、半導体製造プロセスにおいて、ドライエッチングとデポジションとが、同時に発生することもある。このような場合を想定して、学習部１２２に１の学習モデルを設け、ドライエッチングとデポジションとが同時に発生するケースを機械学習させるように構成してもよい。
この場合、学習部１２２では、当該１の学習モデルについて、ドライエッチング及びデポジションが発生する前の処理前画像データと、ドライエッチング及びデポジションが発生した後の処理後画像データとを含む学習用データを用いて機械学習を行う。
このように、一般的な物理モデルでは、ドライエッチングとデポジションとでシミュレータを分けて設ける必要があったところ、学習モデルでは統合して設けることもできる。
また、上記第１の実施形態では、データ整形部１２１が、パラメータデータと環境情報の両方を所定の形式に加工して、対応する学習モデルに入力するものとして説明した。しかしながら、データ整形部１２１は、パラメータデータのみを所定の形式に加工して、対応する学習モデルに入力してもよい。つまり、学習部１２２において学習モデルの機械学習を行うにあたり、環境情報を用いずにパラメータデータのみを用いてもよい。
同様に、上記第１の実施形態では、データ整形部１３１が、パラメータデータと環境情報の両方を所定の形式に加工して、対応する学習済みモデルに入力するものとして説明した。しかしながら、データ整形部１３１は、パラメータデータのみを所定の形式に加工して、対応する学習済みモデルに入力してもよい。つまり、実行部１３２において学習済みモデルを用いてシミュレーションを行うにあたり、環境情報を用いずにパラメータデータのみを用いてもよい。
また、上記第１の実施形態では、処理前画像データ及び処理後画像データが、２次元の画像データであるとして説明した。しかしながら、処理前画像データ及び処理後画像データは、２次元の画像データに限定されず、３次元の画像データ（いわゆるボクセルデータ）であってもよい。
なお、処理前画像データが２次元の画像データの場合、連結データは、（チャネル、縦サイズ、横サイズ）の配列となるが、処理前画像データが３次元の画像データの場合、連結データは、（チャネル、縦サイズ、横サイズ、奥行きサイズ）の配列となる。
また、上記第１の実施形態では、２次元の画像データをそのまま取り扱うものとして説明したが、２次元の画像データを変形して、あるいは、３次元の画像データを変形して取り扱うように構成してもよい。例えば、３次元の画像データを取得し、所定断面の２次元の画像データを生成して、処理前画像データとして入力してもよい。あるいは、連続する所定断面の２次元の画像データに基づいて、３次元の画像データを生成して、処理前画像データとして入力してもよい。
また、上記第１の実施形態において、チャネル別データ生成部５０２は、空気の層、各マテリアルの層ごとに、チャネル別データを生成するものとして説明した。しかしながら、チャネル別データの生成方法はこれに限定されず、特定の膜種ごとではなく、Ｏｘｉｄｅ、Ｓｉｌｉｃｏｎ、Ｏｒｇａｎｉｃｓ、Ｎｉｔｒｉｄｅといったように、より大きな分類に基づいて、チャネル別データを生成するようにしてもよい。
また、上記第１乃至第４の実施形態において、推論装置１３０は、処理前画像データ、パラメータデータ及び環境情報が入力された場合に、処理後画像データを出力して処理を終了するものとして説明した。しかしながら、推論装置１３０の構成はこれに限定されない。例えば、処理前画像データ、パラメータデータ及び環境情報が入力されることで出力される処理後画像データを、対応するパラメータデータ及び環境情報とともに、再び、推論装置１３０に入力するように構成してもよい。これにより、推論装置１３０では、形状の変化を連続的に出力することができる。なお、推論装置１３０に処理後画像データを再び入力するにあたり、対応するパラメータデータ及び環境情報は、任意に変更可能であるとする。
また、上記第１乃至第４の実施形態においては、推論装置１３０の具体的な適用例について特に言及しなかった。しかしながら、推論装置１３０は、例えば、最適なレシピや最適なパラメータデータ、最適なハードウェア形体を探索して半導体製造メーカに提供するサービスに、適用してもよい。
図１６は、推論装置の適用例を示す図であり、推論装置１３０を、サービス提供システム１６００に適用した例を示している。
サービス提供システム１６００は、例えば、ネットワーク１６４０を介して、半導体製造メーカの各事業所と接続し、処理前画像データを取得する。また、サービス提供システム１６００では、取得した処理前画像データを、データ格納部１６０２に格納する。
また、推論装置１３０は、データ格納部１６０２より処理前画像データを読み出し、パラメータデータ及び環境情報を変えながらシミュレーションを実行する。これにより、推論装置１３０のユーザは、最適なレシピ、最適なパラメータデータあるいは最適なハードウェア形体を探索することができる。
情報提供装置１６０１では、推論装置１３０のユーザが探索した最適なレシピ、最適なパラメータデータを、半導体製造メーカの各事業所に提供する。
このように、推論装置１３０を、サービス提供システム１６００に適用することで、サービス提供システム１６００では、半導体製造メーカに対して、最適なレシピ、最適なパラメータデータを提供することが可能となる。
また、上記第１乃至第４の実施形態では、処理前ウェハを対象物として説明したが、対象物は処理前ウェハに限定されず、例えば、半導体製造装置１１０のチャンバ内壁や、パーツ表面等であってもよい。
また、上記第１乃至第４の実施形態では、測定装置１１１（または測定装置１１２）が処理前画像データ（または処理後画像データ）を生成する場合について説明した。しかしながら、処理前画像データ（または処理後画像データ）は、測定装置１１１（または測定装置１１２）が生成する場合に限定されない。例えば、測定装置１１１（または測定装置１１２）は、対象物の形状を示す多次元の計測データを生成し、学習装置１２０が当該計測データに基づいて、処理前画像データ（または処理後画像データ）を生成するように構成してもよい。
なお、測定装置１１１（または測定装置１１２）が生成する計測データには、例えば、位置情報と膜種情報等を含むデータが含まれる。具体的には、ＣＤ−ＳＥＭにより生成される、位置情報とＣＤ測長データとを組み合わせたデータが含まれる。あるいは、Ｘ線やラマン法により生成される、２次元または３次元の形状と膜種等の情報とを組み合わせたデータが含まれる。つまり、対象物の形状を示す多次元の計測データには、測定装置の種類に応じた様々な表現形式が含まれるものとする。
また、上記第１乃至第４の実施形態において、学習装置１２０と、推論装置１３０とは別体として示したが、一体として構成してもよい。
また、上記第１乃至第４の実施形態において、学習装置１２０は、１台のコンピュータで構成されるものとして説明したが、複数台のコンピュータで構成されていてもよい。同様に、上記第１乃至第４の実施形態において、推論装置１３０は、１台のコンピュータで構成されるものとして説明したが、複数台のコンピュータで構成されてもよい。
また、上記第１乃至第４の実施形態では、学習装置１２０、推論装置１３０を、半導体製造プロセスに適用するものとして説明したが、半導体製造プロセス以外の他のプロセスに適用してもよいことはいうまでもない。ここでいう、半導体製造プロセス以外の他のプロセスには、半導体製造プロセス以外の他の製造プロセス、非製造プロセスが含まれるものとする。
また、上記第１乃至第４の実施形態において、学習装置１２０、推論装置１３０は、汎用のコンピュータに各種プログラムを実行させることで実現したが、学習装置１２０、推論装置１３０の実現方法はこれに限定されない。
例えば、プロセッサ、メモリなどを実装しているＩＣ（Integrated Circuit）などの専用の電子回路（すなわちハードウェア）により実現されてもよい。複数の構成要素が一つの電子回路で実現されてもよいし、一つの構成要素が複数の電子回路で実現されてもよいし、構成要素と電子回路が一対一で実現されてもよい。
なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせ等、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更することが可能であり、その応用形態に応じて適切に定めることができる。
本出願は、２０１８年９月３日に出願された日本国特許出願第２０１８−１６４９３１号に基づきその優先権を主張するものであり、同日本国特許出願の全内容を参照することにより本願に援用する。
１００ ：シミュレーションシステム
１１０ ：半導体製造装置
１１１ ：測定装置
１１２ ：測定装置
１２０ ：学習装置
１２１ ：データ整形部
１２２ ：学習部
１３０ ：推論装置
１３１ ：データ整形部
１３２ ：実行部
３００ ：学習用データ
４２０ ：ドライエッチング用学習モデル
４２１ ：デポジション用学習モデル
４３０ ：比較部
４４０ ：変更部
５０１ ：形状データ取得部
５０２ ：チャネル別データ生成部
５１１ ：１次元データ取得部
５１２ ：１次元データ展開部
５２０ ：連結部
６００ ：処理前画像データ
６０１〜６０５ ：チャネル別データ
６１０ ：パラメータデータ
６１１〜６１３ ：２次元に配列されたパラメータデータ
６２０ ：環境情報
６２１〜６２３ ：２次元に配列された環境情報
６３０ ：連結データ
７００ ：出力結果
９２０ ：ドライエッチング用学習済みモデル
９２１ ：デポジション用学習済みモデル
９３０ ：出力部
１２００ ：データ整形部
１２０１ ：連結部
１３００ ：ドライエッチング用学習モデル
１３０１ ：ニューラルネットワーク部
１３１０ ：連結データ
１４００ ：学習部
１５１０、１５２０ ：データ整形部
１５１１ ：圧縮部
本発明は、推論方法、推論装置、モデルの生成方法及び学習装置に関する。
本開示の一態様による推論方法は、例えば、以下のような構成を有する。即ち、
少なくとも１つのプロセッサが、第２の対象物の処理前画像データと前記第２の対象物に対する第２の処理に関するデータとを学習済みモデルに入力し、前記第２の処理後の前記第２の対象物の処理後画像データを推論する、推論方法であって、
前記学習済みモデルは、第１の対象物の処理前画像データと前記第１の対象物に対する第１の処理に関するデータとが入力された場合の出力が、前記第１の処理後の前記第１の対象物の処理後画像データに近づくように学習されたものである。

Claims (21)

  1. 対象物の画像データと、前記対象物に対する処理に関するデータとを取得する取得部と、
    前記対象物の画像データと、前記処理に関するデータとを学習モデルに入力し、前記学習モデルの出力が、前記処理後の前記対象物の画像データに近づくように、前記学習モデルを学習する学習部と
    を備える学習装置。
  2. 前記処理に関するデータを前記対象物の画像データに応じた形式に加工する加工部、を更に備え、
    前記学習部は、前記加工されたデータを前記学習モデルに入力する
    請求項１に記載の学習装置。
  3. 前記学習モデルに入力する前記対象物の画像データは、前記対象物に含まれるマテリアルに応じた複数のチャネルを有し、各チャネルは各マテリアルの組成比または含有比に応じた値を有する
    請求項１または２に記載の学習装置。
  4. 前記処理が半導体製造プロセスに応じた処理である
    請求項１乃至３のいずれか１項に記載の学習装置。
  5. 前記処理に関するデータは、前記半導体製造プロセスに応じた処理を半導体製造装置が実行する際の、処理条件を示すパラメータを含む
    請求項４に記載の学習装置。
  6. 前記処理に関するデータは、前記半導体製造プロセスに応じた処理を半導体製造装置が実行する際に測定される環境情報を含む
    請求項４または５に記載の学習装置。
  7. 前記パラメータは、少なくとも、前記半導体製造装置に設定される設定値、前記半導体製造装置のハードウェアの形体のいずれか１つを含む
    請求項５に記載の学習装置。
  8. 前記環境情報は、少なくとも、前記半導体製造装置において測定される電流に関するデータ、電圧に関するデータ、光に関するデータ、温度に関するデータ、圧力に関するデータのいずれか１つを含む
    請求項６に記載の学習装置。
  9. 前記加工部は、前記処理に関するデータを、前記画像データの縦サイズ及び横サイズに応じた２次元配列の形式に加工する
    請求項２に記載の学習装置。
  10. 前記学習部は、
    前記学習モデルの出力と、前記処理後の前記対象物の画像データとを比較する比較部と、
    前記比較部による比較により得られた差分情報に基づいて前記学習モデルのモデルパラメータを更新する変更部と
    を備える請求項１に記載の学習装置。
  11. 第１の対象物の画像データと、前記第１の対象物に対する第１の処理に関するデータとが入力された場合の出力が、前記第１の処理後の前記第１の対象物の画像データに近づくように学習された学習済みモデルを記憶する記憶部と、
    第２の対象物の画像データと、第２の処理に関するデータとを前記学習済みモデルに入力し、前記第２の対象物に対する前記第２の処理後の画像データを推論する実行部と
    を備える推論装置。
  12. 前記第２の処理に関するデータを前記第２の対象物の画像データに応じた形式に加工する加工部、を更に備え、
    前記実行部は、前記加工された第２の処理に関するデータを前記学習済みモデルに入力する
    請求項１１に記載の推論装置。
  13. 前記学習済みモデルに入力する前記第２の対象物の画像データは、前記第２の対象物に含まれるマテリアルに応じた複数のチャネルを有し、各チャネルは各マテリアルの組成比または含有比に応じた値を有する
    請求項１１または１２に記載の推論装置。
  14. 前記第１の処理及び前記第２の処理が半導体製造プロセスに応じた処理である
    請求項１１乃至１３のいずれか１項に記載の推論装置。
  15. 前記第２の処理に関するデータは、前記半導体製造プロセスに応じた処理を半導体製造装置が実行する際の、処理条件を示すパラメータを含む
    請求項１４に記載の推論装置。
  16. 前記第２の処理に関するデータは、前記半導体製造プロセスに応じた処理を半導体製造装置が実行する際に測定される環境情報を含む
    請求項１４または１５に記載の推論装置。
  17. 前記パラメータは、少なくとも、前記半導体製造装置に設定される設定値、前記半導体製造装置のハードウェアの形体のいずれか１つを含む
    請求項１５に記載の推論装置。
  18. 前記環境情報は、少なくとも、前記半導体製造装置において測定される電流に関するデータ、電圧に関するデータ、光に関するデータ、温度に関するデータ、圧力に関するデータのいずれか１つを含む
    請求項１６に記載の推論装置。
  19. 前記加工部は、前記第２の処理に関するデータを、前記第２の対象物の画像データの縦サイズ及び横サイズに応じた２次元配列の形式に加工する
    請求項１２に記載の推論装置。
  20. 前記実行部は、推論された前記第２の対象物に対する前記第２の処理後の画像データと、第３の処理に関するデータとを、前記学習済みモデルに入力し、前記第２の処理後の前記第２の対象物に対する前記第３の処理後の画像データを推論する
    請求項１１乃至１９のいずれか１項に記載の推論装置。
  21. 第１の対象物の画像データと、前記第１の対象物に対する第１の処理に関するデータとが入力された場合の出力が、前記第１の処理後の前記第１の対象物の画像データに近づくように学習されており、
    第２の対象物の画像データと、第２の処理に関するデータとが入力された場合に、前記第２の対象物に対する第２の処理後の画像データを推論する、
    処理をコンピュータに実行させるための学習済みモデル。
JP2020541139A 2018-09-03 2019-08-23 推論方法、推論装置、モデルの生成方法及び学習装置 Active JP7190495B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018164931 2018-09-03
JP2018164931 2018-09-03
PCT/JP2019/033168 WO2020050072A1 (ja) 2018-09-03 2019-08-23 学習装置、推論装置及び学習済みモデル

Publications (2)

Publication Number Publication Date
JPWO2020050072A1 true JPWO2020050072A1 (ja) 2021-08-26
JP7190495B2 JP7190495B2 (ja) 2022-12-15

Family

ID=69722532

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020541139A Active JP7190495B2 (ja) 2018-09-03 2019-08-23 推論方法、推論装置、モデルの生成方法及び学習装置

Country Status (6)

Country Link
US (2) US11922307B2 (ja)
JP (1) JP7190495B2 (ja)
KR (1) KR102541743B1 (ja)
CN (1) CN112640038A (ja)
TW (1) TWI803690B (ja)
WO (1) WO2020050072A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2020246366A1 (ja) * 2019-06-06 2020-12-10

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI828109B (zh) * 2019-09-24 2024-01-01 美商應用材料股份有限公司 用於組織分割之機器學習模型的交互式訓練
JP7467292B2 (ja) 2020-03-13 2024-04-15 東京エレクトロン株式会社 解析装置、解析方法及び解析プログラム
JP7399783B2 (ja) 2020-04-30 2023-12-18 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル
WO2022138272A1 (ja) 2020-12-25 2022-06-30 東京エレクトロン株式会社 管理システム、管理方法及び管理プログラム
TW202243069A (zh) * 2020-12-28 2022-11-01 日商東京威力科創股份有限公司 參數導出裝置、參數導出方法及參數導出程式
CN116670597A (zh) 2020-12-28 2023-08-29 东京毅力科创株式会社 管理装置、预测方法和预测程序
JPWO2022180827A1 (ja) * 2021-02-26 2022-09-01
US20230043803A1 (en) * 2021-08-04 2023-02-09 Theia Scientific, LLC System and method for multi-modal microscopy

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06224126A (ja) * 1993-01-25 1994-08-12 Fuji Electric Co Ltd 半導体製造装置の膜質予測装置
JPH11330449A (ja) * 1998-05-20 1999-11-30 Toshiba Corp 半導体装置の製造方法、シミュレーション装置、シミュレーション方法、シミュレーションプログラムを記録した記録媒体、及びシミュレーション用データを記録した記録媒体
JP2004040004A (ja) * 2002-07-08 2004-02-05 Renesas Technology Corp 配線設計データを利用した化学的機械的研磨方法、加工物の製造方法、およびデザインルール決定方法
JP2004153229A (ja) * 2002-03-14 2004-05-27 Nikon Corp 加工形状の予測方法、加工条件の決定方法、加工量予測方法、加工形状予測システム、加工条件決定システム、加工システム、加工形状予測計算機プログラム、加工条件決定計算機プログラム、プログラム記録媒体、及び半導体デバイスの製造方法
JP2007227618A (ja) * 2006-02-23 2007-09-06 Hitachi High-Technologies Corp 半導体プロセスモニタ方法およびそのシステム
JP2011071296A (ja) * 2009-09-25 2011-04-07 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
JP2013518449A (ja) * 2010-01-29 2013-05-20 東京エレクトロン株式会社 半導体製造ツールを自己学習及び自己改善するための方法及びシステム
US20170194126A1 (en) * 2015-12-31 2017-07-06 Kla-Tencor Corporation Hybrid inspectors
JP2018049936A (ja) * 2016-09-21 2018-03-29 株式会社日立製作所 探索装置および探索方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020085688A (ko) 2001-05-09 2002-11-16 학교법인 인하학원 반도체 식각 공정 모의 실험 해석기 및 해석 방법
US6819427B1 (en) 2001-10-10 2004-11-16 Advanced Micro Devices, Inc. Apparatus of monitoring and optimizing the development of a photoresist material
KR20040080742A (ko) 2003-03-13 2004-09-20 원태영 식각 공정 시뮬레이션의 병렬 연산 구현 방법
JP2005202949A (ja) 2003-12-01 2005-07-28 Oscillated Recall Technology:Kk 大域的エッチングシミュレータ
US8722547B2 (en) 2006-04-20 2014-05-13 Applied Materials, Inc. Etching high K dielectrics with high selectivity to oxide containing layers at elevated temperatures with BC13 based etch chemistries
US9245714B2 (en) 2012-10-01 2016-01-26 Kla-Tencor Corporation System and method for compressed data transmission in a maskless lithography system
JP6173889B2 (ja) 2013-11-28 2017-08-02 ソニーセミコンダクタソリューションズ株式会社 シミュレーション方法、シミュレーションプログラム、加工制御システム、シミュレータ、プロセス設計方法およびマスク設計方法
US10056304B2 (en) 2014-11-19 2018-08-21 Deca Technologies Inc Automated optical inspection of unit specific patterning
US9965901B2 (en) 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
IL259633B (en) 2015-12-22 2022-07-01 Asml Netherlands Bv A device and method for characterizing a window process
JP2017182129A (ja) 2016-03-28 2017-10-05 ソニー株式会社 情報処理装置。
RU2719028C1 (ru) * 2016-09-07 2020-04-16 Электа, Инк. Система и способ для обучающихся моделей планов радиотерапевтического лечения с прогнозированием распределений дозы радиотерапии
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
CN110402481B (zh) 2017-10-17 2023-07-21 株式会社爱发科 被处理体的处理装置
US10572697B2 (en) 2018-04-06 2020-02-25 Lam Research Corporation Method of etch model calibration using optical scatterometry
JP2020057172A (ja) * 2018-10-01 2020-04-09 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 学習装置、推論装置及び学習済みモデル
JP2021089526A (ja) * 2019-12-03 2021-06-10 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 推定装置、訓練装置、推定方法、訓練方法、プログラム及び非一時的コンピュータ可読媒体

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06224126A (ja) * 1993-01-25 1994-08-12 Fuji Electric Co Ltd 半導体製造装置の膜質予測装置
JPH11330449A (ja) * 1998-05-20 1999-11-30 Toshiba Corp 半導体装置の製造方法、シミュレーション装置、シミュレーション方法、シミュレーションプログラムを記録した記録媒体、及びシミュレーション用データを記録した記録媒体
JP2004153229A (ja) * 2002-03-14 2004-05-27 Nikon Corp 加工形状の予測方法、加工条件の決定方法、加工量予測方法、加工形状予測システム、加工条件決定システム、加工システム、加工形状予測計算機プログラム、加工条件決定計算機プログラム、プログラム記録媒体、及び半導体デバイスの製造方法
JP2004040004A (ja) * 2002-07-08 2004-02-05 Renesas Technology Corp 配線設計データを利用した化学的機械的研磨方法、加工物の製造方法、およびデザインルール決定方法
JP2007227618A (ja) * 2006-02-23 2007-09-06 Hitachi High-Technologies Corp 半導体プロセスモニタ方法およびそのシステム
JP2011071296A (ja) * 2009-09-25 2011-04-07 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
JP2013518449A (ja) * 2010-01-29 2013-05-20 東京エレクトロン株式会社 半導体製造ツールを自己学習及び自己改善するための方法及びシステム
US20170194126A1 (en) * 2015-12-31 2017-07-06 Kla-Tencor Corporation Hybrid inspectors
JP2018049936A (ja) * 2016-09-21 2018-03-29 株式会社日立製作所 探索装置および探索方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2020246366A1 (ja) * 2019-06-06 2020-12-10

Also Published As

Publication number Publication date
TW202026959A (zh) 2020-07-16
KR20210038665A (ko) 2021-04-07
US20240211753A1 (en) 2024-06-27
JP7190495B2 (ja) 2022-12-15
CN112640038A (zh) 2021-04-09
WO2020050072A1 (ja) 2020-03-12
US11922307B2 (en) 2024-03-05
US20210209413A1 (en) 2021-07-08
TWI803690B (zh) 2023-06-01
KR102541743B1 (ko) 2023-06-13

Similar Documents

Publication Publication Date Title
JPWO2020050072A1 (ja) 推論方法、推論装置、モデルの生成方法及び学習装置
JP6724267B1 (ja) 学習装置、推論装置、学習モデルの生成方法及び推論方法
US20200104708A1 (en) Training apparatus, inference apparatus and computer readable storage medium
US10628935B2 (en) Method and system for identifying defects of integrated circuits
US9865512B2 (en) Dynamic design attributes for wafer inspection
IL223629A (en) METHOD AND SYSTEM FOR EFFECTIVE OPTICAL TESTING OF SHAPED BUILDINGS
JP4533563B2 (ja) パターン評価方法，位置合わせ方法、検査装置の検査方法，半導体製造工程の管理方法
Mack et al. Analytical linescan model for SEM metrology
Weisbuch et al. Enabling scanning electron microscope contour-based optical proximity correction models
Jiang et al. Parametric topology optimization toward rational design and efficient prefabrication for additive manufacturing
Pestourie et al. Physics-enhanced deep surrogates for PDEs
TWI734390B (zh) 自資料集中提取特徵
JP6956806B2 (ja) データ処理装置、データ処理方法及びプログラム
US10282509B2 (en) Non-transitory computer readable storage medium, mask evaluation method and inspection apparatus
Valade et al. Tilted beam SEM, 3D metrology for industry
Ban et al. A method for achieving sub-2nm across-wafer uniformity performance
Rana et al. Machine learning and predictive data analytics enabling metrology and process control in IC fabrication
Park et al. CD and OCD sampling scheme optimization for HVM environment
Zhang et al. Predictive compact model for stress-induced on-product overlay correction
Fang et al. Gaining insight into effective metrology height through the use of a compact CDSEM model for lithography simulation
WO2022145225A1 (ja) パラメータ導出装置、パラメータ導出方法及びパラメータ導出プログラム
Levi et al. SEM simulation for 2D and 3D inspection metrology and defect review
Nikitin Use of mathematical modeling for measurements of nanodimensions in microelectronics
Seeger et al. Shape‐from‐shading and simulation of SEM images using surface slope and curvature
Khan et al. Topography description model for 3D exposure simulation

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210301

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210301

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220531

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220721

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20221115

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221205

R150 Certificate of patent or registration of utility model

Ref document number: 7190495

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150